FUNCTIONAL MRI SIGNAL ANALYSIS – Gaining specificity and spatial resolution from complex signal processing
L’Imagerie par Résonance Magnétique fonctionnelle (IRMf) est une technique d’imagerie permettant d’observer de manière indirecte l’activité cérébrale. Le signal d’IRMf est un signal en 2 dimensions qui est représenté par un signal complexe que l’on peut décomposer en une amplitude (intensité du signal) et une phase (orientation du signal). La plupart des outils actuels d’analyse se concentrent uniquement sur l’amplitude du signal et n’utilisent donc qu’une partie de l’information disponible. Mon projet vise à exploiter l’entièreté de l’information contenue dans le signal en incluant également la phase. En utilisant des méthodes d’apprentissage auto-supervisé (self-supervised learning) sur des données réelles, mon but est de développer un modèle capable de représenter les données en embeddings, c’est-à-dire dans un nouvel espace abstrait (un espace latent) et d’y appliquer des méthodes de clustering de manière à mieux distinguer les zones cérébrales actives des zones inactives et donc d’améliorer la résolution spatiale et la spécificité des analyses.
